Таблица лидеров AI Benchy

Name: Результаты бенчмарка моделей AI BENCHY
Creator: AI BENCHY
License: https://aibenchy.com/methodology/

Бенчмарки сгенерированы из тестовых наборов AI BENCHY в: 2026-10-19 Оценено моделей: 451

Рекомендуемые модели

GPT-6.1 Sol xhigh Интеллектуальная Доля успешных попыток 97.1% Тестов верно 22 / 23 Оценка 9.9/10 Gemini 3.7 Flash low Быстрая Время ответа (среднее) 6.24s Общее число выходных токенов 38,453 Оценка 9.4/10 GPT-6 Luna high Доступная Цена входа $0.100 / 1M Цена выхода $0.500 / 1M Цена чтения из кэша $0.010 / 1M Цена записи в кэш $0.125 / 1M Оценка 7.7/10

451/451

Ранг	Модель	Оценка	Компания	Общая стоимость	Время ответа (среднее)
#72#72	Muse Spark 1.1low	8.6	Meta	$0.885	13.21s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 9 Надежность 10.0 Доля успешных попыток 72.5% Нестабильные тесты 4 Входные токены 291,368 Выходные токены 13,469 Токены рассуждений 108,952 Время ответа (среднее) 13.21s Время ответа (суммарно) 303.92s Время ответа (макс.) 54.15s Неверный ответ: 5 Не соблюдены инструкции: 3 Недопустимый вызов инструмента: 1 Агентные задачи : 10.0 Анти-ИИ уловки : 7.9 Программирование : 10.0 Комбинированный : 6.6 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.6 Общий интеллект : 10.0 Следование инструкциям : 7.3 Решение головоломок : 8.3 Вызов инструментов : 9.8 Эрудиция : 3.0
#73#73	Claude Sonnet 5.5xhigh	8.6	Anthropic	$1.516	14.98s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 7 Надежность 10.0 Доля успешных попыток 79.7% Нестабильные тесты 4 Входные токены 342,579 Выходные токены 12,848 Токены рассуждений 70,193 Время ответа (среднее) 14.98s Время ответа (суммарно) 344.60s Время ответа (макс.) 54.92s Неверный ответ: 3 Лишнее форматирование: 1 Не соблюдены инструкции: 1 Недопустимый вызов инструмента: 1 Нет ответа: 1 Агентные задачи : 10.0 Анти-ИИ уловки : 10.0 Программирование : 8.2 Комбинированный : 8.7 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 2.9 Общий интеллект : 6.5 Следование инструкциям : 10.0 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#74#74	Claude Sonnet 5.5high	8.6	Anthropic	$1.175	10.79s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 7 Надежность 10.0 Доля успешных попыток 81.2% Нестабильные тесты 5 Входные токены 345,687 Выходные токены 13,550 Токены рассуждений 34,743 Время ответа (среднее) 10.79s Время ответа (суммарно) 248.22s Время ответа (макс.) 51.53s Неверный ответ: 5 Лишнее форматирование: 1 Недопустимый вызов инструмента: 1 Агентные задачи : 10.0 Анти-ИИ уловки : 10.0 Программирование : 10.0 Комбинированный : 8.2 Парсинг и извлечение данных : 7.3 Предметно-ориентированное : 3.5 Общий интеллект : 6.5 Следование инструкциям : 9.9 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#75#75	Claude Haiku 5.5low	8.6	Anthropic	$0.061	7.51s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 7 Надежность 10.0 Доля успешных попыток 76.8% Нестабильные тесты 3 Входные токены 296,301 Выходные токены 10,672 Токены рассуждений 50,978 Время ответа (среднее) 7.51s Время ответа (суммарно) 172.74s Время ответа (макс.) 44.43s Неверный ответ: 3 Не соблюдены инструкции: 2 Лишнее форматирование: 1 Нет ответа: 1 Агентные задачи : 10.0 Анти-ИИ уловки : 8.7 Программирование : 7.9 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.9 Общий интеллект : 4.6 Следование инструкциям : 9.8 Решение головоломок : 7.7 Вызов инструментов : 10.0 Эрудиция : 3.0
#76#76	Qwen3.8 Max (0902)low	8.6	Qwen	$1.131	29.07s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 5 Надежность 10.0 Доля успешных попыток 85.5% Нестабильные тесты 3 Входные токены 298,682 Выходные токены 8,374 Токены рассуждений 80,549 Время ответа (среднее) 29.07s Время ответа (суммарно) 668.66s Время ответа (макс.) 207.79s Неверный ответ: 4 Недопустимый вызов инструмента: 1 Агентные задачи : 6.1 Анти-ИИ уловки : 10.0 Программирование : 10.0 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.3 Общий интеллект : 6.1 Следование инструкциям : 10.0 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#77#77	Grok 4.6high	8.5	X AI	$2.629	87.48s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 4 Надежность 10.0 Доля успешных попыток 82.6% Нестабильные тесты 0 Входные токены 376,233 Выходные токены 6,687 Токены рассуждений 305,927 Время ответа (среднее) 87.48s Время ответа (суммарно) 2012.15s Время ответа (макс.) 618.49s Неверный ответ: 3 Нет ответа: 1 Агентные задачи : 5.0 Анти-ИИ уловки : 10.0 Программирование : 10.0 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.3 Общий интеллект : 10.0 Следование инструкциям : 9.8 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#78#78	Muse Spark 1.3low	8.5	Meta	$0.911	17.73s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 7 Надежность 10.0 Доля успешных попыток 82.6% Нестабильные тесты 5 Входные токены 270,231 Выходные токены 13,363 Токены рассуждений 121,332 Время ответа (среднее) 17.73s Время ответа (суммарно) 407.75s Время ответа (макс.) 78.72s Неверный ответ: 4 Ошибка API: 1 Не соблюдены инструкции: 1 Недопустимый вызов инструмента: 1 Агентные задачи : 10.0 Анти-ИИ уловки : 10.0 Программирование : 8.2 Комбинированный : 7.3 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.5 Общий интеллект : 10.0 Следование инструкциям : 9.8 Решение головоломок : 8.2 Вызов инструментов : 10.0 Эрудиция : 3.0
#79#79	Claude Sonnet 5medium	8.5	Anthropic	$1.438	15.01s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 7 Надежность 10.0 Доля успешных попыток 76.8% Нестабильные тесты 3 Входные токены 353,658 Выходные токены 54,891 Токены рассуждений 18,370 Время ответа (среднее) 15.01s Время ответа (суммарно) 345.16s Время ответа (макс.) 69.26s Неверный ответ: 5 Не соблюдены инструкции: 1 Недопустимый вызов инструмента: 1 Агентные задачи : 10.0 Анти-ИИ уловки : 10.0 Программирование : 9.0 Комбинированный : 7.3 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.3 Общий интеллект : 4.8 Следование инструкциям : 9.9 Решение головоломок : 7.7 Вызов инструментов : 10.0 Эрудиция : 3.0
#80#80	Qwen3.7 Maxmedium	8.5	Qwen	$1.689 ↓	48.35s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 6 Надежность 10.0 Доля успешных попыток 85.5% Нестабильные тесты 4 Входные токены 367,848 Выходные токены 8,753 Токены рассуждений 250,279 Время ответа (среднее) 48.35s Время ответа (суммарно) 1112.11s Время ответа (макс.) 556.06s Неверный ответ: 5 Недопустимый вызов инструмента: 1 Агентные задачи : 6.1 Анти-ИИ уловки : 10.0 Программирование : 10.0 Комбинированный : 8.7 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 4.1 Общий интеллект : 10.0 Следование инструкциям : 10.0 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#81#81	Claude Haiku 5.5max	8.5	Anthropic	$0.509	61.71s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 4 Надежность 10.0 Доля успешных попыток 85.5% Нестабильные тесты 1 Входные токены 487,516 Выходные токены 10,212 Токены рассуждений 909,487 Время ответа (среднее) 61.71s Время ответа (суммарно) 1419.40s Время ответа (макс.) 288.94s Нет ответа: 3 Неверный ответ: 1 Агентные задачи : 4.7 Анти-ИИ уловки : 10.0 Программирование : 10.0 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.3 Общий интеллект : 10.0 Следование инструкциям : 10.0 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#84#84	GPT-5 Minimedium	8.4	OpenAI	$0.315 ↑	29.42s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 10 Надежность 10.0 Доля успешных попыток 66.7% Нестабильные тесты 4 Входные токены 214,645 Выходные токены 15,532 Токены рассуждений 103,679 Время ответа (среднее) 29.42s Время ответа (суммарно) 676.56s Время ответа (макс.) 111.48s Неверный ответ: 5 Не соблюдены инструкции: 3 Нет ответа: 1 Тайм-аут: 1 Агентные задачи : 10.0 Анти-ИИ уловки : 7.1 Программирование : 10.0 Комбинированный : 7.3 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.5 Общий интеллект : 4.5 Следование инструкциям : 10.0 Решение головоломок : 5.6 Вызов инструментов : 10.0 Эрудиция : 3.0
#87#87	Inklinghigh	8.4	Thinkingmachines	$1.238 ↓	62.72s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 7 Надежность 10.0 Доля успешных попыток 78.3% Нестабильные тесты 3 Входные токены 240,395 Выходные токены 7,169 Токены рассуждений 242,073 Время ответа (среднее) 62.72s Время ответа (суммарно) 1442.48s Время ответа (макс.) 327.51s Неверный ответ: 4 Недопустимый вызов инструмента: 2 Не соблюдены инструкции: 1 Агентные задачи : 10.0 Анти-ИИ уловки : 10.0 Программирование : 8.5 Комбинированный : 7.3 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 7.7 Общий интеллект : 10.0 Следование инструкциям : 9.8 Решение головоломок : 6.9 Вызов инструментов : 3.0 Эрудиция : 3.0
#88#88	Muse Spark 1.1high	8.4	Meta	$2.570	37.41s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 10 Надежность 10.0 Доля успешных попыток 69.6% Нестабильные тесты 6 Входные токены 336,310 Выходные токены 10,838 Токены рассуждений 494,728 Время ответа (среднее) 37.41s Время ответа (суммарно) 860.39s Время ответа (макс.) 196.03s Неверный ответ: 3 Не соблюдены инструкции: 2 Недопустимый вызов инструмента: 2 Ошибка API: 1 Лишнее форматирование: 1 Нет ответа: 1 Агентные задачи : 10.0 Анти-ИИ уловки : 7.5 Программирование : 10.0 Комбинированный : 5.9 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 2.9 Общий интеллект : 10.0 Следование инструкциям : 6.4 Решение головоломок : 7.8 Вызов инструментов : 9.6 Эрудиция : 3.0
#89#89	DeepSeek V4 Flash 0731high	8.4	DeepSeek	$0.576 ↑	118.83s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 8 Надежность 10.0 Доля успешных попыток 76.8% Нестабильные тесты 5 Входные токены 281,863 Выходные токены 24,535 Токены рассуждений 507,976 Время ответа (среднее) 118.83s Время ответа (суммарно) 2733.01s Время ответа (макс.) 600.61s Неверный ответ: 5 Не соблюдены инструкции: 2 Нет ответа: 1 Агентные задачи : 10.0 Анти-ИИ уловки : 8.7 Программирование : 6.3 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.5 Общий интеллект : 10.0 Следование инструкциям : 9.8 Решение головоломок : 8.2 Вызов инструментов : 10.0 Эрудиция : 3.0
#90#90	GLM 5.2high	8.4	Z.ai	$4.632 ↑	69.11s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 8 Надежность 10.0 Доля успешных попыток 71.0% Нестабильные тесты 3 Входные токены 288,913 Выходные токены 79,462 Токены рассуждений 303,120 Время ответа (среднее) 69.11s Время ответа (суммарно) 1589.43s Время ответа (макс.) 599.43s Неверный ответ: 5 Нет ответа: 2 Не соблюдены инструкции: 1 Агентные задачи : 10.0 Анти-ИИ уловки : 10.0 Программирование : 6.4 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.1 Общий интеллект : 10.0 Следование инструкциям : 10.0 Решение головоломок : 6.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#91#91	GPT-5.6 Terrahigh	8.3	OpenAI	$0.698 ↓	13.62s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 8 Надежность 10.0 Доля успешных попыток 69.6% Нестабильные тесты 2 Входные токены 197,239 Выходные токены 6,083 Токены рассуждений 53,982 Время ответа (среднее) 13.62s Время ответа (суммарно) 313.21s Время ответа (макс.) 91.49s Неверный ответ: 7 Недопустимый вызов инструмента: 1 Агентные задачи : 10.0 Анти-ИИ уловки : 8.3 Программирование : 7.6 Комбинированный : 8.7 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.3 Общий интеллект : 5.1 Следование инструкциям : 10.0 Решение головоломок : 7.7 Вызов инструментов : 10.0 Эрудиция : 3.0
#92#92	Claude Haiku 5.5high	8.3	Anthropic	$0.088	10.41s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 8 Надежность 10.0 Доля успешных попыток 76.8% Нестабильные тесты 4 Входные токены 346,451 Выходные токены 10,136 Токены рассуждений 95,504 Время ответа (среднее) 10.41s Время ответа (суммарно) 239.38s Время ответа (макс.) 52.61s Неверный ответ: 4 Лишнее форматирование: 2 Не соблюдены инструкции: 1 Нет ответа: 1 Агентные задачи : 10.0 Анти-ИИ уловки : 10.0 Программирование : 6.0 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 4.1 Общий интеллект : 10.0 Следование инструкциям : 9.9 Решение головоломок : 5.9 Вызов инструментов : 10.0 Эрудиция : 3.0
#93#93	Gemini 3.5 Flashhigh	8.3	Google	$2.737	18.59s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 4 Надежность 10.0 Доля успешных попыток 85.5% Нестабильные тесты 2 Входные токены 348,103 Выходные токены 11,045 Токены рассуждений 234,967 Время ответа (среднее) 18.59s Время ответа (суммарно) 427.52s Время ответа (макс.) 145.92s Недопустимый вызов инструмента: 2 Неверный ответ: 2 Агентные задачи : 3.4 Анти-ИИ уловки : 10.0 Программирование : 10.0 Комбинированный : 8.2 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.3 Общий интеллект : 10.0 Следование инструкциям : 10.0 Решение головоломок : 10.0 Вызов инструментов : 9.8 Эрудиция : 10.0
#95#95	GPT-6 Lunamedium	8.3	OpenAI	$0.047	18.07s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 8 Надежность 10.0 Доля успешных попыток 73.9% Нестабильные тесты 3 Входные токены 203,193 Выходные токены 5,751 Токены рассуждений 47,410 Время ответа (среднее) 18.07s Время ответа (суммарно) 415.53s Время ответа (макс.) 66.44s Неверный ответ: 7 Не соблюдены инструкции: 1 Агентные задачи : 10.0 Анти-ИИ уловки : 8.3 Программирование : 6.6 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.9 Общий интеллект : 4.4 Следование инструкциям : 9.8 Решение головоломок : 7.7 Вызов инструментов : 10.0 Эрудиция : 3.0
#96#96	Claude Opus 4.8medium	8.3	Anthropic	$3.490	16.72s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 6 Надежность 10.0 Доля успешных попыток 82.6% Нестабильные тесты 3 Входные токены 360,294 Выходные токены 43,441 Токены рассуждений 24,401 Время ответа (среднее) 16.72s Время ответа (суммарно) 384.66s Время ответа (макс.) 99.37s Неверный ответ: 5 Нет ответа: 1 Агентные задачи : 6.1 Анти-ИИ уловки : 10.0 Программирование : 10.0 Комбинированный : 9.9 Парсинг и извлечение данных : 7.1 Предметно-ориентированное : 3.6 Общий интеллект : 10.0 Следование инструкциям : 10.0 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#98#98	Qwen3.7 Plusmedium	8.3	Qwen	$0.415 ↓	59.73s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 7 Надежность 10.0 Доля успешных попыток 76.8% Нестабильные тесты 3 Входные токены 350,546 Выходные токены 8,576 Токены рассуждений 206,984 Время ответа (среднее) 59.73s Время ответа (суммарно) 1373.73s Время ответа (макс.) 315.30s Неверный ответ: 6 Недопустимый вызов инструмента: 1 Агентные задачи : 10.0 Анти-ИИ уловки : 10.0 Программирование : 6.1 Комбинированный : 8.2 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.6 Общий интеллект : 10.0 Следование инструкциям : 10.0 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#100#100	DeepSeek V4.1 Flash 1017max	8.2	DeepSeek	$0.757	78.20s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 8 Надежность 10.0 Доля успешных попыток 76.8% Нестабильные тесты 5 Входные токены 360,065 Выходные токены 7,711 Токены рассуждений 1,162,470 Время ответа (среднее) 78.20s Время ответа (суммарно) 1798.65s Время ответа (макс.) 605.14s Неверный ответ: 4 Не соблюдены инструкции: 2 Нет ответа: 2 Агентные задачи : 10.0 Анти-ИИ уловки : 8.3 Программирование : 5.6 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.9 Общий интеллект : 10.0 Следование инструкциям : 10.0 Решение головоломок : 6.3 Вызов инструментов : 10.0 Эрудиция : 3.0
#101#101	Grok 4.5high	8.2	X AI	$2.687 ↑	72.50s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 6 Надежность 10.0 Доля успешных попыток 82.6% Нестабильные тесты 3 Входные токены 342,124 Выходные токены 7,135 Токены рассуждений 326,497 Время ответа (среднее) 72.50s Время ответа (суммарно) 1667.51s Время ответа (макс.) 676.83s Неверный ответ: 3 Нет ответа: 2 Не соблюдены инструкции: 1 Агентные задачи : 5.0 Анти-ИИ уловки : 10.0 Программирование : 10.0 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 4.1 Общий интеллект : 4.7 Следование инструкциям : 9.8 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#103#103	GPT-5.6 Terramedium	8.2	OpenAI	$0.483 ↓	8.93s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 8 Надежность 10.0 Доля успешных попыток 71.0% Нестабильные тесты 2 Входные токены 172,507 Выходные токены 5,824 Токены рассуждений 27,365 Время ответа (среднее) 8.93s Время ответа (суммарно) 205.39s Время ответа (макс.) 54.74s Неверный ответ: 8 Агентные задачи : 10.0 Анти-ИИ уловки : 8.3 Программирование : 6.1 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.3 Общий интеллект : 5.5 Следование инструкциям : 10.0 Решение головоломок : 8.4 Вызов инструментов : 10.0 Эрудиция : 3.0
#104#104	Seed-2.0-Litemedium	8.2	Bytedance Seed	$0.271	48.87s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 9 Надежность 10.0 Доля успешных попыток 71.0% Нестабильные тесты 4 Входные токены 229,530 Выходные токены 13,757 Токены рассуждений 92,662 Время ответа (среднее) 48.87s Время ответа (суммарно) 1123.91s Время ответа (макс.) 254.92s Неверный ответ: 6 Не соблюдены инструкции: 2 Нет ответа: 1 Агентные задачи : 10.0 Анти-ИИ уловки : 8.3 Программирование : 8.0 Комбинированный : 6.4 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.6 Общий интеллект : 6.7 Следование инструкциям : 10.0 Решение головоломок : 9.0 Вызов инструментов : 10.0 Эрудиция : 3.0

Глобальные тренды бенчмарка

Посмотрите, как современные модели балансируют оценку, стоимость, скорость, длину ответа и результаты по категориям.

Графики →

Граница Парето: интеллект и стоимость

Рост лучших оценок ведущих компаний со временем

Граница Парето: интеллект и скорость ответа

Граница Парето: оценка и выходные токены

Сложность категорий по всем моделям

Быстрое сравнение

Gemini 3.6 FlashhighvsGemini 3.8 Flashhigh Gemini 3.8 FlashhighvsGPT-6 Solhigh GPT-6 SolhighvsGPT-6.1 Solmax GPT-6.1 SolmaxvsGPT-6 Astramax GPT-6 AstramaxvsGPT-6.1 Solxhigh GPT-6.1 SolxhighvsGPT-6 Astrahigh GPT-6 AstrahighvsGemini 3.7 Flashhigh Gemini 3.7 FlashhighvsGemini 3.6 Flashmedium Gemini 3.6 FlashmediumvsGPT-6.1 Solmedium GPT-6.1 SolmediumvsGPT-6.1 Solhigh GPT-6.1 SolhighvsGPT-5.6 Sollow GPT-5.6 SollowvsGPT-6 Astralow